StableDiffusion3Inpaint 模型

[source]

StableDiffusion3Inpaint 类

keras_hub.models.StableDiffusion3Inpaint(backbone, preprocessor, **kwargs)

用于图像修复生成的端到端 Stable Diffusion 3 模型。

此模型具有 generate() 方法，用于根据参考图像、掩码和文本提示的组合生成图像。

参数

• backbone：keras_hub.models.StableDiffusion3Backbone 实例。
• preprocessor：keras_hub.models.StableDiffusion3TextToImagePreprocessor 实例。

示例

使用 generate() 进行图像生成。

reference_image = np.ones((1024, 1024, 3), dtype="float32")
reference_mask = np.ones((1024, 1024), dtype="float32")
inpaint = keras_hub.models.StableDiffusion3Inpaint.from_preset(
    "stable_diffusion_3_medium", image_shape=(512, 512, 3)
)
inpaint.generate(
    reference_image,
    reference_mask,
    "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k",
)

# Generate with batched prompts.
reference_images = np.ones((2, 512, 512, 3), dtype="float32")
reference_mask = np.ones((2, 1024, 1024), dtype="float32")
inpaint.generate(
    reference_images,
    reference_mask,
    ["cute wallpaper art of a cat", "cute wallpaper art of a dog"]
)

# Generate with different `num_steps`, `guidance_scale` and `strength`.
inpaint.generate(
    reference_image,
    reference_mask,
    "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k",
    num_steps=50,
    guidance_scale=5.0,
    strength=0.6,
)

[source]

from_preset 方法

StableDiffusion3Inpaint.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Task。

预设是配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地预设目录的路径，例如 './bert_base_en'

对于任何 Task 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。

此构造函数可以通过两种方式调用。可以从任务特定的基类（如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，则返回对象的子类将从预设目录中的配置推断出来。

参数

• preset：字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights：布尔值。如果为 True，则保存的权重将加载到模型架构中。如果为 False，则所有权重将随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)

backbone 属性

keras_hub.models.StableDiffusion3Inpaint.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

[source]

generate 方法

StableDiffusion3Inpaint.generate(
    inputs, num_steps=50, strength=0.6, guidance_scale=7.0, seed=None
)

根据提供的 inputs 生成图像。

通常，inputs 是一个字典，包含 "images"、"masks" 和 "prompts" 键。"images" 是值范围为 [-1.0, 1.0] 的参考图像，将被调整为 self.backbone.image_shape 中的高度和宽度，然后由 VAE 编码器编码为潜在空间。"masks" 是布尔数据类型的掩码图像，其中白色像素将被重新绘制，而黑色像素将被保留。"prompts" 是将由文本编码器进行分词和编码的字符串。

某些模型支持 "negative_prompts" 键，这有助于引导模型避开生成某些样式和元素。要启用此功能，请将 "negative_prompts" 添加到输入字典中。

如果 inputs 是 tf.data.Dataset，则输出将“按批次”生成并连接。否则，所有输入都将作为批次处理。

参数

• inputs：python 数据、张量数据或 tf.data.Dataset。格式必须是以下之一
  • 包含 "images"、"masks"、"prompts" 和/或 "negative_prompts" 键的字典。
  • 包含 "images"、"masks"、"prompts" 和/或 "negative_prompts" 键的 tf.data.Dataset。
• num_steps：整数。要执行的扩散步骤数。
• strength：浮点数。指示参考 images 被转换的程度。必须介于 0.0 和 1.0 之间。当 strength=1.0 时，images 基本上被忽略，添加的噪声最大，并且去噪过程运行 num_steps 中指定的完整迭代次数。
• guidance_scale：可选浮点数。Classifier-Free Diffusion Guidance 中定义的无分类器指导缩放。较高的比例鼓励生成与提示更相关的图像，通常以降低图像质量为代价。请注意，某些模型不使用无分类器指导。
• seed：可选整数。用作随机种子。

preprocessor 属性

keras_hub.models.StableDiffusion3Inpaint.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。